Моделирование динамики яркостной температуры земли методом инвариантного погружения и нейронных сетей
Курсовой проект - Физика
Другие курсовые по предмету Физика
µмя, температура окружающей среды, температура слоя почвы на глубине 0,5см и 2см, а также измерялась яркостная температура почв.
Дважды в день брались пробы почв на влажность: поверхностный слой 01см, 12см, и 34см.
Исследуемыми объектами являлись участки №2 и №3, песчаная и глинистая почва соответственно (рис.4; рис.5).
Рис.6. Песчаная почва. Участок №2
Рис.7. Средний суглинок. Участок №3
Из полученных данных видно, что почти одинаковые в оптическом диапазоне почвы, кардинально отличаются по физическим свойствам.
Таблица 1. Гранулометрический состав почв (% от массы сухой почвы)
Размер фракций, ммПочва10,250,250,050,050,010,010,0050,0050,001<0,001<0,01Песок(№2)36,143,411,45,51,40,91,3Глина (№3)0,8027,2428,033,865,2234,8043,88
Был проведен цикл измерений в течении четырех дней яркостной температуры почвы сухая-влажная-сухая. Цикл измерений состоит из 39 точек, для трех радиометров разной частоты (и соответственно разной глубины проникновения в почву). Измерения на участках проводятся между двумя опорными точками: калибровкой металлом и водой.
- Постановка задачи. Поиск алгоритма решения
Задачей построенной нейронной сети должно быть восстановление параметров почв по экспериментальным данным значения яркостной температуры с радиометров различной частоты в момент экспериментального получения проб влажности почв.
Для моделирования методом Нейронных сетей используются несколько программ, среди них прикладной пакет для MathLab 6.1, Statistica Neural NetWorks, NNMath 3.1 и др. Будем использовать программы MathLab 6.1, Statistica Neural NetWorks, выбранные за простоту работы и возможности настройки нужной модели.
В общем случае, для получения алгоритмов и моделей выполняется следующее:
- Определяется изучаемый класс объектов (представленный входными и выходными данными).
- Для этого класса выбирается настраиваемая модель (модель, параметры которой можно изменить), удовлетворяющая определенным критериям и требованиям.
- Выбирается оценка качества идентификации (потери, характеризующие различие между выходными величинами объекта и модели).
- Формируется алгоритм идентификации, который, изменяя параметры модели, минимизирует потери.
Выбор и разработка моделей и алгоритмов требуют серьезных усилий для экспериментального исследования и сравнения с уже ранее предложенными. В то же время это предоставляет большую свободу в выборе направления в науке, знания которой будут привлекаться для создания новых моделей и алгоритмов.
Будем пользоваться двумя подходами в решении поставленной задачи:
- Используем модель двухслойного персептрона, и поэтапно увеличиваем количество нейронов на каждом слое с 3 до 5, параметры которых оптимально подобраны в исследовании[15].
- Функция автоматического подбора параметров, которая присутствует в программе Statistica Neural NetWorks и работает на основе анализа количества и вида входных и выходных данных.
Рис.8. Двухслойный персептрон с одним скрытым слоем и 3 нейронами на каждом слое
Рис.9. Двухслойный персептрон с одним скрытым слоем и 5 нейронами на каждом слое
Рис.10. Нейронная сеть построенная методом автоматического подбора параметров
Радиометрическое исследование природной среды и восстановление требуемых параметров выполняется в работах. С учетом предлагаемой в рефракционной модели КДП почв связь между радиоизлучательной способностью почвогрунта и его КДП может быть разрешена в явном виде относительно объемной влажности. При этом решение содержит ряд априорно задаваемых параметров. Входными данными будут являться яркостные температуры, полученные при теоретическом расчете методом инвариантного погружения. Выходными данными являться параметры почв: объемная влажность, уровень слоя, и КДП почвы (при анализе которой можно определить класс почвы).
В решении поставленной задачи будем считать отсутствие как шума, создаваемого растительностью (т.к. участки в эксперименте были подготовлены и очищены от растительности), так и техногенного шума. При наличии же таковых, представляется возможным создание комплекса нейронных сетей, одни из которых будут отвечать за отчистку радиометрического сигнала от шумов, другая решать основную задачу, в противном случае целесообразно использование вейвлет фильтров для отчистки сигнала.
- Метод инвариантного погружения. Теоретический расчет. Режим обучения
Метод инвариантного погружения берет за основу слоистость почвы и различное влагосодержание в различных слоях почвы. Слоистая модель по БашариновуА.Е.
Данная модель содержит следующие допущения:
- Излучение считается некогерентным.
- Нет ослабления излучения между поверхностью и антенной.
- Яркость неба считается изотропной и имеет значение 3К.
- Влажность и температура считаются функциями только глубины.
- Диэлектрические и тепловые свойства почв постоянны в слоях определённой толщины.
- Поверхность почвы считается гладкой. (растительность отсутствует)
Также будем считать, что диэлектрическая проницаемость имеет комплексный вид, тем самым рассмотрим наиболее общий случай.
С увеличением глубины, диэлектрическая проницаемость, а также влажность увеличивается.
Эта модель рассматривает тепловое излучение слоисто-неоднородных неизотермических детерминированных сред с произвольной величиной поглощения. Диэлектрическая